شاخص نرمالشده تفاوت پوشش گیاهی (NDVI)
- معرفیشده توسط
- Rouse, Haas, Schell, and Deering
- سال
- 1973
- نوع
- Spectral index for vegetation assessment
- خانواده
- Remote sensing vegetation monitoring
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
شاخص نرمالشده تفاوت پوشش گیاهی (NDVI) یک شاخص طیفی است که از تصاویر ماهوارهای یا هوایی چندطیفی محاسبه میشود و سرسبزی و شادابی پوشش گیاهی را کمیسازی میکند.
NDVI که توسط راوز و همکارانش در سال ۱۹۷۳ با استفاده از دادههای لندست معرفی شد، به پرکاربردترین معیار سنجش از دور برای پایش پوشش گیاهی، ارزیابی خشکسالی، پیشبینی بهرهوری محصول، و تشخیص تغییر کاربری اراضی تبدیل شده است.
شهود پشت روش
پوشش گیاهی نور مرئی (قرمز) کمی را بازتاب میدهد، اما به دلیل ساختار و محتوای کلروفیل برگها، بخش زیادی از نور فروسرخ نزدیک (NIR) را بازتاب میکند. NDVI از این تضاد بهره میبرد: NDVI = (NIR - Red) / (NIR + Red)، که در آن NIR و Red بازتاب اندازهگیری شده توسط ماهواره در آن باندها هستند. NDVI از -۱ تا +۱ متغیر است: مقادیر نزدیک به -۱ نشاندهنده آب (جذبکننده NIR)، ۰ نشاندهنده خاک لخت، و +۰.۵ تا +۰.۹ نشاندهنده پوشش گیاهی متراکم و سالم است. سریهای زمانی NDVI چرخههای فصلی (سرسبزی پوشش گیاهی در بهار، پیری در پاییز) و تغییرپذیری بینسالانه مرتبط با دسترسی به آب را آشکار میکنند.
تاریخ
NDVI که در سال ۱۹۷۳ با استفاده از دادههای اسکنر چندطیفی لندست معرفی شد، به سرعت به شاخص استاندارد پوشش گیاهی برای کشاورزی، جنگلداری، و پایش خشکسالی تبدیل گشت. پرتاب رادیومتر پیشرفته با وضوح بسیار بالا (AVHRR) در سال ۱۹۸۱ و سپس MODIS (۱۹۹۹) امکان پایش روزانه جهانی NDVI را فراهم آورد. شاخص سلامت پوشش گیاهی (VHI) NOAA، که NDVI و دمای سطح زمین را ترکیب میکند، برای هشدار زودهنگام خشکسالی عملیاتی شد. تحولات اخیر شامل ادغام دادههای با وضوح بالا (Planet, Maxar) با دادههای با وضوح پایین (MODIS) و یادگیری عمیق برای تشخیص فنولوژی است.
چه زمانی استفاده شود
از NDVI برای پایش سلامت پوشش گیاهی در مقیاسهای منطقهای تا جهانی، ارزیابی اثرات خشکسالی، پیشبینی عملکرد محصول، و تشخیص تغییرات کاربری اراضی استفاده کنید. NDVI برای ارزیابیهای در مقیاس بزرگ (وضوح پیکسل >۱۰ متر) بهترین عملکرد را دارد و برای مدیریت در مقیاس محلی که جزئیات در سطح مزرعه مورد نیاز است، کمتر مفید است. NDVI را با سایر شاخصها (EVI, SAVI) برای افزایش استحکام و با دادههای بارش/دما برای تفسیر عوامل محرک ترکیب کنید.
محدودیتها و ملاحظات
- در تراکم بالای پوشش گیاهی اشباع میشود؛ دو جنگل متراکم با ساختار متفاوت در NDVI مشابه به نظر میرسند.
- حساس به اثرات اتمسفری (ذرات معلق، ابرها) که در صورت عدم تصحیح دقیق، نویز ایجاد میکنند.
- نمیتواند نوع یا کیفیت پوشش گیاهی را تشخیص دهد؛ علفهای هرز سالم مشابه محصولات سالم به نظر میرسند.
- وضوح زمانی به پوشش ابر و فرکانس بازدید ماهواره بستگی دارد؛ در مناطق ابری شکافهایی رخ میدهد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- ساده و از نظر محاسباتی سریع، تنها به دو باند ماهوارهای نیاز دارد که به طور گسترده در حسگرها و آرشیوها موجود است.
- پیوسته از نظر مکانی، امکان ارزیابی در مناطقی که فاقد مشاهدات میدانی یا زیرساخت زمینی هستند را فراهم میکند.
- رابطه تجربی قوی با شاخص سطح برگ (LAI)، نرخ فتوسنتز، و زیستتوده.
- آرشیو زمانی طولانی (لندست از ۱۹۷۲، MODIS از ۲۰۰۰) که امکان تحلیل روند ده ساله را فراهم میکند.
کاربردها
- هشدار زودهنگام خشکسالی: پایش ناهنجاریهای NDVI برای صدور هشدار در مورد تنش آبی قبل از از بین رفتن محصول، و هدایت واکنش اضطراری.
- پیشبینی عملکرد محصول: همبستهسازی مسیرهای فصلی NDVI با برداشت نهایی غلات برای پیشبینی تولید قبل از پایان فصل.
- تشخیص جنگلزدایی و تغییر کاربری اراضی: ردیابی کاهش NDVI برای شناسایی از بین رفتن جنگل و توصیف گذارهای کاربری اراضی.
- ارزیابی سلامت مراتع: استفاده از روندهای NDVI برای ارزیابی چرای بیش از حد، بهبود پس از خشکسالی، و ظرفیت چرا در مناطق دامداری.
چگونه کار میکند
چگونه کار میکند
تصاویر ماهوارهای چندطیفی (لندست، سنتینل، MODIS، کوپرنیکوس) با حداقل باندهای قرمز و فروسرخ نزدیک به دست میآید. دادهها به صورت رادیومتریک برای بازتاب در حسگر کالیبره میشوند.
تصحیح اتمسفری برای تبدیل بازتاب در حسگر به بازتاب سطح اعمال میشود، که اثرات ذرات معلق، بخار آب، و پراکندگی ریلی را در نظر میگیرد. پیکسلهای ابر و سایه ابر پوشانده میشوند.
برای هر پیکسل، بازتاب در باند قرمز (۰.۶–۰.۷ میکرومتر) و باند فروسرخ نزدیک (۰.۸–۱.۰ میکرومتر) استخراج میشود.
NDVI برای هر پیکسل به صورت (NIR - Red) / (NIR + Red) محاسبه میشود. پشتههای سری زمانی NDVI در فواصل منظم (روزانه برای MODIS، ۵–۱۰ روز برای لندست/سنتینل) برای ردیابی تغییرات فصلی و بینسالانه تولید میشوند.
نقشههای NDVI الگوهای مکانی فراوانی پوشش گیاهی را آشکار میکنند. سریهای زمانی برای اوج سرسبزی، طول فصل رشد، و ناهنجاریهای ناشی از خشکسالی تحلیل میشوند. روندها با بارش، دما، و تغییرات مدیریت اراضی همبسته میشوند.
دامهای رایج
- تفسیر نادرست تغییرات مکانی NDVI بدون در نظر گرفتن روشنایی پسزمینه خاک، که بر NDVI در مناطق کمپوشش گیاهی تأثیر میگذارد.
- مقایسه NDVI در ماهوارههای مختلف یا الگوریتمهای تصحیح اتمسفری بدون هماهنگسازی.
- استفاده بیش از حد از NDVI در مناطق گرمسیری که فراوانی ذرات معلق اتمسفری به شدت متغیر است و سوگیری سیستماتیک ایجاد میکند.
پرسشهای متداول
چرا به جای فقط نگاه کردن به بازتاب قرمز، از NDVI استفاده کنیم؟
بازتاب قرمز به تنهایی پسزمینه خاک را در نظر نمیگیرد. یک خاک تیره و یک پوشش گیاهی پراکنده هر دو بازتاب قرمز پایینی دارند. با نرمالسازی تفاوت بین NIR و قرمز با مجموع آنها، NDVI سیگنال پوشش گیاهی را از خاک جدا میکند. شاخص حاصله به شدت با سطح برگ، فتوسنتز، و زیستتوده همبسته است.
مقادیر معمول NDVI برای پوششهای مختلف زمین چقدر است؟
آب و برف: < ۰.۱؛ خاک لخت: ۰.۱–۰.۲؛ چمن و بوتهزار: ۰.۲–۰.۵؛ محصولات کشاورزی (بسته به مرحله رشد): ۰.۳–۰.۸؛ جنگل متراکم: ۰.۶–۰.۹. مقادیر به صورت فصلی متغیر است (در زمستان پایین، در اواسط تابستان در مناطق معتدل به اوج میرسد).
پوشش ابر چگونه بر پایش NDVI تأثیر میگذارد؟
ابرها دید ماهواره را به طور کامل مسدود میکنند؛ پیکسلهای ابری پوشانده میشوند و باید درونیابی یا نادیده گرفته شوند. در مناطق گرمسیری با پوشش ابر دائمی، دادههای مفید NDVI ممکن است نادر باشند (< ۵۰٪ مشاهدات بدون ابر). شاخصهای مبتنی بر رادار (که تحت تأثیر ابرها قرار نمیگیرند) مانند پسپراکندگی مشتق شده از NDVI، جایگزینهایی را در مناطق ابری فراهم میکنند.
آیا NDVI میتواند بین انواع محصولات کشاورزی تمایز قائل شود؟
مستقیماً خیر. NDVI سرسبزی را منعکس میکند، نه هویت محصول. گندم و جو مسیرهای NDVI مشابهی دارند. با این حال، زمانبندی فنولوژیکی (تاریخ اوج NDVI، طول فصل رشد) میتواند بین محصولات متفاوت باشد، که امکان طبقهبندی محصول را در ترکیب با دادههای آب و هوا یا مشاهدات میدانی فراهم میکند.
روشهای مرتبط
منابع
Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring vegetation systems in the Great Plains with ERTS. Third Earth Resources Technology Satellite Symposium Proceedings, 1, 309-317.
باز کردن مرجع انتشارکپی شد.Jackson, R. D. (1983). Spectral indices in n-space. Remote Sensing of Environment, 13(5), 409-421.
باز کردن مرجع DOIکپی شد.